| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 候选区域产生方案 | 第11页 |
| 1.2.2 快速物体检测方案 | 第11-12页 |
| 1.2.3 语义分割方案 | 第12-13页 |
| 1.2.4 RGB-D图像的研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 相关技术简介 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 人工神经网络 | 第17-18页 |
| 2.3 卷积神经网络 | 第18-24页 |
| 2.3.1 卷积 | 第19-20页 |
| 2.3.2 激活函数 | 第20页 |
| 2.3.3 局部响应规范化 | 第20-21页 |
| 2.3.4 池化 | 第21-22页 |
| 2.3.5 Dropout | 第22-23页 |
| 2.3.6 ZF-Net网络模型 | 第23-24页 |
| 2.4 区域卷积神经网络(RCNN) | 第24-25页 |
| 2.5 Faster-RCNN | 第25-27页 |
| 2.6 全卷积网络 | 第27-28页 |
| 2.7 本章小结 | 第28-31页 |
| 第3章 RGB-D图像的物体检测 | 第31-39页 |
| 3.1 引言 | 第31-32页 |
| 3.2 RGB图像和深度图像的融合 | 第32-33页 |
| 3.3 Top2000方案的改进 | 第33-35页 |
| 3.4 物体检测的过程 | 第35-37页 |
| 3.5 模型的训练 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 RGB-D图像的语义分割 | 第39-45页 |
| 4.1 引言 | 第39-40页 |
| 4.2 FCN网络模型的结构 | 第40-41页 |
| 4.3 语义分割的过程 | 第41-44页 |
| 4.4 模型的训练 | 第44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 实验结果及分析 | 第45-59页 |
| 5.1 引言 | 第45页 |
| 5.2 物体检测 | 第45-52页 |
| 5.2.1 参数设置 | 第45页 |
| 5.2.2 Faster-RCNN和RCNN的比较 | 第45-46页 |
| 5.2.3 HHG图像和其它图像的比较 | 第46-47页 |
| 5.2.4 NMS'和Top2000的比较 | 第47-48页 |
| 5.2.5 VGG-16 和ZF-Net的比较 | 第48-49页 |
| 5.2.6 物体检测所需时间的比较 | 第49页 |
| 5.2.7 检测结果 | 第49-52页 |
| 5.3 语义分割 | 第52-58页 |
| 5.3.1 参数设置 | 第52-53页 |
| 5.3.2 HHG图像和其它图像的比较 | 第53-54页 |
| 5.3.3 FCN模型的比较 | 第54-55页 |
| 5.3.4 分割结果 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间所发表的学术论文 | 第65-67页 |
| 致谢 | 第67页 |